本研究では、原始波形を対象とした因果的音声ノイズ除去モデル「CleanUNet」を提案する。本モデルは、エンコーダー・デコーダー構造に複数の自己注意（self-attention）ブロックを組み合わせ、ボトルネック表現の精緻化を図るアーキテクチャに基づいている。この構成は、優れた性能を達成する上で極めて重要である。モデルは、波形およびマルチ解像度スペクトログラムの両方を対象とした複数の損失関数により最適化される。提案手法は、客観的および主観的評価指標の観点から、従来の最先端モデルを上回るノイズ除去音声品質を達成した。本研究のコードおよびモデルは、https://github.com/nvidia/cleanunet にて公開している。